تحديد مدى انتشار مراقبة الفيديو من خلال بيانات جوجل ستريت فيو

تغطية جوجل ستريت فيو المستمرة للطرقات في جميع أنحاء العالم تمثل ربما السجل المرئي الأكثر اكتمالاً والاتساق والتناسق للمجتمع العالمي، مع استثناء البلدان التي تفرض حظرا على مركبات جوجل المتجولة لجمع البيانات.

كمتدخل دافع للعائدات لبيئة جوجل مابس، فإن بانوبتيكون جوجل ستريت فيو يمثل خزاناً غنياً من البيانات لتحليل التعلم الآلي. بالإضافة إلى倾هم غير المقصود لالتقاط الأفعال الإجرامية، فقد استخدم لتقدير الدخل الإقليمي من جودة السيارات في صور جوجل ستريت فيو، تقييم الخضرة في البيئات الحضرية، تحديد أعمدة المرافق، تصنيف المباني، وتقدير التكوين الديموغرافي للأحياء الأمريكية، من بين مبادرات أخرى كثيرة.

إحصاءات محدودة حول انتشار كاميرات المراقبة في الولايات المتحدة

على الرغم من استخدام البيانات الواسع لجوجل مابس لمبادرات التعلم الآلي المتأصل في المجتمع، هناك عدد قليل من مجموعات البيانات المستندة إلى جوجل ستريت فيو التي تحتوي على أمثلة مخططة لكاميرات المراقبة. مجموعة بيانات مابيلاري فيستاس هي واحدة من القلائل المتاحة التي توفر هذه الوظيفة، على الرغم من أنها تحتوي على أقل من 20 كاميرا فيديو عامة مخططة في الولايات المتحدة.

معظم بنية مراقبة الفيديو في الولايات المتحدة تتقاطع مع الدولة فقط عندما تطالب السلطات bằng-footage التأكيد بعد حوادث محلية قد تكون سجلت. وراء لوائح التخطيط، وفي سياق قوانين الخصوصية المسموح بها التي تفعل القليل لمعالجة المراقبة الخاصة للمساحات العامة، لا يوجد إطار إداري فيدرالي يمكن أن يوفر إحصاءات صلبة حول عدد الكاميرات المواجهة للجمهور في الولايات المتحدة.

البيانات الاستطرادية والمسوح المحدودة تتنازع على أن انتشار كاميرات الفيديو في الولايات المتحدة قد يكون مثل الصين، ولكن من الصعب إثبات ذلك.

تحديد كاميرات الفيديو في صور جوجل ستريت فيو

باعتبار هذا النقص في البيانات المتاحة، أجرت أبحاث من جامعة ستانفورد دراسة حول انتشار وتواتر وتوزيع الكاميرات المواجهة للجمهور التي يمكن تحديدها في صور جوجل ستريت فيو.

أCreated الباحثون إطاراً لاكتشاف الكاميرا الذي قيم 1.6 مليون صورة من جوجل ستريت فيو عبر 10 مدن أمريكية كبرى، وست مدن أخرى كبرى في آسيا وأوروبا.

في الترتيب التنازلي للكثافة، تتصدر بوسطن قائمة المدن الأمريكية المبحوثة في البحث، مع كثافة حديثة أو حالية تبلغ 0.63 وعدد إجمالي للكاميرات يبلغ 1,600. ومع ذلك، تتمتع مدينة نيويورك بأكثر من 10,100 كاميرا موزعة على مساحة أكبر. مصدر: https://arxiv.org/pdf/2105.01764.pdf

من بين المدن الأمريكية، وجد أن بوسطن لديها أعلى كثافة من الكاميرات المحددة، في حين أن مدينة نيويورك لديها أعلى عدد من الكاميرات، حيث تصل إلى 10,100، موزعة على مسافة أكبر. في آسيا، تتمتع طوكيو بعدد هائل من الكاميرات، حيث يصل إلى 21,700، في حين أن سول لديها عدد أقل من الكاميرات (13,900) مركزة بكثافة أكبر. على الرغم من تحديد 13,000 كاميرا في صور جوجل ستريت فيو من لندن، تتفوق باريس على ذلك من حيث عدد التثبيتات (13,000) وكثافة التغطية.

يشير الباحثون إلى أن كثافة الكاميرا تختلف على نطاق واسع بين أحياء ومناطق المدن.

من بين العوامل المحددة الأخرى لدقة المسح (التي سنأتي إليها)، يشير الباحثون إلى أن الكاميرات في المناطق السكنية ثلاث مرات أكثر صعوبة في التحديد منها في الحدائق العامة والمناطق الصناعية والمناطق متعددة الاستخدام – على افتراض أن تأثير “الردع” يزداد معارضة أو جدلاً في المناطق السكنية، مما يجعل التثبيتات المتخفيّة أو الخفية أكثر احتمالاً.

باالنظر إلى المدن التي تمت دراستها في أوروبا وآسيا، تحتل سول المرتبة الأولى كبيئة حضرية الأكثر مراقبة، مع باريس لا تتباعد كثيراً.

حيث توجد غالبية من السكان من الأقليات أو الأغلبية العرقية في منطقة معينة، يزداد تكرار تثبيت الكاميرات بشكل ملحوظ، حتى مع أخذ جميع العوامل المخففة في الاعتبار من قبل باحثي ستانفورد.

تزداد تكرار كاميرات المراقبة بشكل متناسب مع زيادة الديموغرافيا للأقليات في منطقة معينة، وفقاً لبحث ستانفورد.

تم إجراء البحث خلال فترتين زمنيتين، 2011-2015 و2016-2020. على الرغم من أن البيانات تظهر نمواً مستمراً وأحياناً غير عادي لتركيب كاميرات المراقبة على مدى تسع سنوات، يشير الباحثون إلى أن انتشار كاميرات المراقبة قد وصل إلى “هضبة مؤقتة”.

المنهجية

أولاً، قام الباحثون بتجميع مجموعتين من بيانات صور جوجل ستريت فيو، واحدة منها لم تتميز بتثبيتات كاميرات الفيديو، وأنشأوا أقنعة التجزئة لهذه المجموعات. تم تدريب نموذج التجزئة على هذه المجموعات مقابل مجموعة التحقق (من سان فرانسيسكو – انظر “العوامل المحددة” أدناه).

ثم تم تشغيل نموذج الإخراج ضد صور جوجل ستريت فيو العشوائية، مع تأكيد جميع الكاميرات المكتشفة إيجابياً بواسطة البشر، وإزالة الإيجابيات الكاذبة.

اليسار، الصورة الأصلية من جوجل ستريت فيو. الوسط، قناع التجزئة المعدل. يمين، تحديد الكاميرا بواسطة الخوارزمية. يمين، تثبيت تم التحقق منه بواسطة الإنسان.

أخيراً، قام الإطار بحساب مجال الرؤية لزوايا الكاميرا المشاركة لتقدير مدى التغطية، ومقارنتها مع بصمات المباني المشاركة وبيانات شبكة الطرق.

تشمل البيانات المساهمة الأخرى لهذا المصفوفة مواصفات المباني من أوبن ستريت ماب، واستخدام خرائط التعداد السكاني الأمريكية لضمان أن الدراسة مقيدة بالحدود الإدارية لكل مدينة. بالإضافة إلى ذلك، استخدم المشروع بيانات مواقع الكاميرات في سان فرانسيسكو من دراسة بواسطة مؤسسة الحدود الإلكترونية (EFF)، مع الوصول إلى صور جوجل ستريت فيو عبر واجهة برمجة التطبيقات الثابتة.

قدم الباحثون تقديراً للتغطية عن طريق حساب مجال الرؤية لكاميرات جوجل ستريت فيو مقابل بيانات من أوبن ستريت ماب.

العوامل المحددة

يقر الباحثون بعدد من العوامل المحددة التي يجب مراعاتها عند استعراض النتائج.

أولاً، أن الكاميرات المحددة بواسطة نظام التعلم الآلي تم التحقق منها أو نفيها بواسطة المراجعة البشرية، وأن هذه المراجعة هي عملية قابلة للخطأ.

ثانياً، أن الدراسة كانت مقيدة بالدقة المتاحة لصور جوجل ستريت فيو، مما حدد الباحثين على تحديد الكاميرات الموجودة في نطاق ثلاثين متراً من نقطة المراقبة. هذا لا يعني فقط أن بعض الكاميرات قد تم “اختراعها” من خلال الدقة المحدودة، ولكن أيضا أن العديد من الكاميرات خارج هذا النطاق (مثل الكاميرات المرتفعة، والتثبيتات الخفية، والكاميرات الصغيرة في أجهزة الجرس) قد لا يتم تحديدها.

أخيراً، يمكن أن يكون تقدير استدعاء نموذج المدينة عاملاً مقيداً في دقة النتائج، حيث تم تطبيق مدينة سان فرانسيسكو، التي تمت بالفعل تصنيف تردد كاميرات المراقبة فيها في عمل سابق من EFF، على ولايات قضائية أخرى لجعل الدراسة قابلة للتنفيذ.